數據驅動下智庫話語邏輯及互證體系思考

孫建軍 裴 雷 馬亞雪 李 陽

1 南京大學 信息管理學院 南京 210023

2 江蘇紫金傳媒智庫 南京 210023

智庫作為連接政策空間中多元主體的橋梁，肩負為國家提供專業化政策建議、影響政府決策的使命，亦承擔引領公眾了解并認知政策理念與思想的責任[1]。2016 年，習近平總書記在哲學社會科學工作座談會上指出，“智庫建設要把重點放在提高研究質量、推動內容創新上”。從智庫角度看，其根本就是要形成能夠適應經濟、社會和科技發展趨勢，兼具科學創新與國際影響的智庫產品與服務。面對這一目標如何引導智庫向現代化、創新化和科學化的方向轉變成為智庫研究急需思考與解決的問題。

從信息鏈的角度來看，數據是智庫研究的底層支撐。大數據環境與技術為智庫研究提供海量數據資源與分析技術的同時，更促進數據驅動的智庫研究不斷發展。數據驅動下智庫研究的核心是通過融合、分析與利用多源異構數據促進智庫決策支持和公眾引導功能的提升。在此過程中，智庫話語邏輯，即如何表達與呈現研究結果，發揮著承接底層數據與智庫服務的作用。換句話說，智庫話語邏輯能否適應大數據環境中多元主體決策與信息需求將直接影響智庫服務品質。同時，如何形成科學、穩健、客觀的數據分析結論，以支撐話語邏輯建構并輔助政府決策制定亦成為決定智庫研究質量的關鍵因素。為此，本文從數據驅動下智庫研究出發，提出大數據環境下智庫話語邏輯重塑及相關互證體系建設的迫切需求，旨在從數據管理與服務的視角為數據驅動下的智庫研究提供優化建議。

1 數據驅動的智庫研究變革

1.1 智庫研究與數據分析的共生發展

智庫研究與數據分析存在天然的關聯。

（1）優質數據的積累是智庫研究品質的重要保障。智庫研究的一個重要研究路徑是基于綜合類數據資源、機構自建特色數據資源等來展開分析，以為決策者提供科學、可靠的決策支持。數據資源是智庫研究的基礎保障，數據資源及其相關要素的積累將影響智庫研究的廣度與深度。有效決策支持的基礎是對目標問題的充分認知、分析與解讀，而這一過程離不開大量數據資源的支持。換句話說，可用數據的量級、標準化、規范化、質量等在某種程度上往往能決定智庫研究的發揮空間，并影響到智庫分析的角度與數據分析的粒度，進而影響到智庫研究產品的品質。

（2）智庫研究是數據分析的重要出口。數據分析并不是搭建“空中花園”——嵌入具體場景或面向特定問題的分析才能真正發揮數據分析的潛力與價值。尤其是在大數據分析被廣為推崇的新環境下，大數據分析需要依托具體場景和領域才能更好發揮針對性和有效性。智庫研究通常是面向公共政策和戰略問題，相關研究兼具科研屬性與應用屬性[2]。以智庫研究為出口的數據分析，一方面能夠支撐科研量化研究，使得研究結果兼具理論與實踐意義；另一方面還能服務科技管理與社會活動決策，實現科研成果在現實場景中的應用。

（3）智庫研究與數據分析呈現出螺旋共生關系。智庫研究與數據分析并非獨立存在，長期以來智庫研究表現出與數據分析相互依托、共生發展的特征。智庫研究為數據分析賦予現實意義，而數據分析不僅是智庫研究的關鍵手段，更推動了智庫研究的革新。大數據環境下，大量智庫機構更是逐步開始主動加強數據積累，并推動自身特色數據資源建設；而數據分析方法也被智庫服務大量吸收與采用，推動了數據資源的快速轉化應用與價值傳播。

1.2 信息鏈視角下的數據驅動與智庫研究

信息鏈一般由事實（fact）、數據（data）、信息（information）、知識（knowledge）、情報（intelligence）、智慧（wisdom）等要素和環節構成；作為一個連續體，其刻畫了事實被人類認知并加以利用的全過程[3]。其中，DIKW（數據—信息—知識—智慧）經典模型目前已經被學術界等廣為接受，被用以揭示從數據到決策過程的演化和轉化軌跡；而 DIKW 也是在決策分析中數據利用的一種運動過程。與之對應，潘教峰[4]提出智庫 DIIS 三維理論模型，將智庫問題研究過程抽象為收集信息（data）、揭示信息（information）、綜合研判（intelligence）、形成方案（solution）4 個環節。從底層邏輯來看，DIIS 模型本質上與信息鏈對知識和智慧轉化路徑的解析相吻合，即智庫研究也是從數據出發，通過對數據不斷的加工、凝練以最終形成目標問題的解決方案。因此，可以認為信息鏈能夠從數據層面反映智庫問題的研究過程。同時，由于信息鏈展現了進化歷程，從信息鏈的視角探討數據驅動與智庫研究，是一種有效揭示數據與技術環境變革對智庫研究路徑與模式的理論隱喻。

近年來，科學研究的數據與技術環境產生了較大程度的變革。在數據資源方面，傳統研究所使用的小數據逐步被大數據甚至智慧數據取代；在信息技術方面，大數據、人工智能、云計算、物聯網等新興信息技術不斷發展，并被廣泛用于解決相關研究任務。這些轉變直接導致信息鏈中各要素實現跨層級鏈接，數據資源與信息技術的變革打破了傳統信息鏈中“數據—信息—知識—智慧”的單一路徑，使得數據和信息 2 類底層要素均可直接生成智慧。換句話說，通過對海量底層數據的分析即可揭示以往研究需要通過大量歸納、演繹才能獲取的智慧。在此情況下，大量學者開始從底層數據出發，運用新型數據分析技術挖掘研究對象之間的關聯，以期發現研究對象潛在的規律與特征，進而促成數據驅動研究的興起[5]。相關研究使得傳統研究難以量化的事實能夠被大數據及其分析技術捕捉，在拓展學科研究場景與范疇的同時，實現了對傳統研究模式的優化甚至顛覆。

技術與數據環境的變化同樣促使智庫研究從單一的專家洞察向綜合性的數據洞察轉變，并逐步形成數據驅動的智庫研究。數據驅動的智庫研究是對傳統理論驅動型研究的延伸，其核心是通過運用大數據、云計算等技術發掘數據間的內在規律，進而為決策者提供決策支持[6]。① 智庫研究模式方面。由數據直接產生智慧的層級跳躍有效縮減了專家在智庫研究過程中的主觀干預程度，這一轉變從根本上使得傳統智庫研究高度依賴專家智慧與經驗的模式發生轉變。此外，數據驅動還引發了如相關思維、計算思維、工程思維、跨界思維、時空思維等一系列智庫研究新思維出現，實現了對智庫研究轉變的進一步推動。② 智庫建設方面。由于數據價值的快速提升使其成為智庫的核心資源，構建完備的數據支撐體系成為國內外知名智庫的核心目標。例如，美國蘭德公司就面向數據驅動型智庫建設目標，構建了寬領域數據體系、項目數據體系和雙向綜合參與型數據體系[7]。

2 數據變革環境中的智庫話語邏輯重塑

2.1 智庫話語體系的組成部分

智庫話語體系，是智庫在決策服務過程中形成的與政策話語、學術話語、媒體話語等頻繁互動的表達體系。

（1）智庫話語需要與政策話語相承接，智庫研究需要理解政策內涵并作出針對性的回應與延展。智庫研究的重要作用是輔助決策，以政策話語為基礎能夠更好地傳達智庫研究結果，明晰智庫研究價值。

（2）學術話語是提升智庫產品認知權威、推動國際交流的保障。可信、科學的智庫研究依賴于學術研究的話語表達體系；厚重、規范的學術化研究是智庫產品獲得市場青睞的重要基礎，也是開展開放交流的邏輯基礎。相對于政策對話或企業談判，兼容學術話語的智庫話語體系將更易于跨國界傳播并形成國際交流。

（3）智庫話語體系需成為政府與公眾之間的橋梁。智庫話語不僅需要收集公眾話語的共同訴求，而且往往需要向公眾傳播社會更易采納的媒體話語體系。特別是在新媒體環境下，如何能夠促進智庫研究結果易于理解并被公眾所悅納，是提升智庫的社會影響力、提升智庫的實質服務質量的關鍵問題。

為此，本文認為數據驅動智庫研究的話語體系應在政策話語與學術話語的基礎上，兼容適用于與公眾進行交流的媒體話語，以增強智庫研究的公眾傳播力，并且實現對決策的影響（圖1）。

圖1 智庫話語體系Figure 1 Discourse system of think tank

2.2 智庫話語線索的關聯

除了構建適應大數據環境的話語體系外，智庫價值的發揮同樣離不開話語線索的有效關聯。換句話說，話語線索能否得到有效關聯將直接影響智庫研究成果的接受度及影響力。面對現代化、創新化和科學化的智庫建設目標，本文認為智庫話語線索的關聯主要包括 3 個方面內容。

（1）自源話語與他源話語的融合。作為決策支持者與公眾引導者，智庫研究應秉承兼容并蓄的理念，審視自源話語與他源話語間的關聯，并利用海量數據資源和新型分析技術對比與驗證不同研究結論的置信程度，以形成科學、系統的話語線索關聯。

（2）政策話語與學術話語的融合。智庫研究者及其受眾的認知與表達模式通常存在差異。數據驅動的智庫研究在弱化專家主觀涉入程度的同時，也加劇了政策話語與學術話語的關聯難度。為此，大數據環境下的智庫話語邏輯有必要利用大數據分析技術實現對政策情境知識與學術概念知識的關聯，進而促進政策話語與學術話語的融合。

（3）政策話語與媒體話語的融合。智庫不僅服務于決策者，還需要發揮引導公眾的作用。媒體是實現決策與公眾溝通的有效途徑，特別是大數據環境下新科技、新媒體的廣泛使用，更是縮短了決策者、智庫與公眾的距離。為此，智庫研究需要有針對性地減弱話語體系不對接的問題，通過構建相關議程網絡、重塑媒體話語邏輯等，以提升智庫研究成果的傳播能力與效果。

3 面向話語邏輯重塑的多元互證體系建設

3.1 數據驅動智庫研究的困境

數據驅動從思維、技術、流程等方面都深刻影響智庫研究，并促使智庫研究發生巨大變革。然而，數據驅動的智庫研究在具體實踐中也暴露出較多的問題，使得智庫研究結果的科學性和可信度有待考證。目前，數據驅動智庫研究常見的困境主要包括 2 個方面。

（1）智庫研究過度追求量化分析過程而非結果的可靠性。當前，智庫研究領域廣泛可見各類冠以“指數”“競爭力”“大數據分析”“百強榜”等的量化研究，此類研究旨在通過量化和數據分析來反映相關問題或現象的變化程度和發展特點。但是，一些研究沒有開展系統性的前期選題論證和需求調研工作，使得研究結論浮于表面；同時，由于數據積累不足，針對同一研究問題往往生成不同的結論。這些問題的出現究其根本是由于相關研究缺乏全局視角，過分“信任”小規模或特定領域數據資源生成的結果，過于關注自身研究的“理論自洽”，而忽視從多維度對研究結論的論證，忽視對“客觀真實”的深入理解，是學術話語在智庫話語中的過度使用。

（2）智庫研究結果存在可重復性危機。Nature期刊的調查發現大量科研人員認為科學研究存在的“可重復性危機”（reproducibility crisis）[8]。同樣，Serra-Garcia 和 Gneezy[9]也通過實驗證實心理學和經濟學研究的可重復比率較低。科研機構作為智庫研究的主力，科學研究的可重復性危機也將同樣影響數據驅動的智庫研究結果的穩健性。而可重復性危機出現的根本原因則可能與數據自身的合理性、科學性與置信度有關[10]。

上述 2 類問題從根本上看均是數據本身及數據分析的不完整、不可靠、不精確等導致的連帶性影響。為此，有必要引入以數據互證為基礎的多元互證體系，將不同的數據與不同的方法按照一定原則進行組合和結合，以保障和提升智庫研究成果的品質。

3.2 多元互證體系提升智庫研究成果品質

多元互證（又稱“三角互證”）來源于社會科學、教育學等領域，其強調理論、數據、方法等研究過程中核心要素的融合，而非簡單的疊加。與現有很多研究不同，多元互證所秉承的融合理念是以解決同一個研究問題為目標，其中，不同要素的融合并不意味著各自失去本身的特點，而是從不同角度反映或解決目標問題。多元互證的核心思想是超越由單一要素引發的偏見，實現對研究發現可信度的提升；多元互證主要包括數據互證（data triangulation）、研究者互證（investigator triangulation）、理論互證（theory triangulation）與方法互證（methods triangulation）4 種類型[11]。

數據驅動智庫研究話語邏輯的建構目標是促進政策、學術與媒體話語的融合，并面向目標受眾進行有針對性的話語線索關聯，進而實現智庫研究價值最大化、提升智庫研究影響力。然而，智庫話語邏輯有效建構的前提是生成具有一致性、前瞻性和可證偽性的數據分析結果。換句話說，需要有科學化、系統化的互證體系保障智庫研究結果的效度。如上所述，多元互證能夠從多角度對研究結果的科學性、客觀性和普適性進行驗證。為此，本文認為可構建智庫研究多元互證體系（圖2），用于提升和保障智庫研究的成果品質。

圖2 智庫研究的多元互證體系Figure 2 Triangulation system of think tank

具體來說，智庫研究的多元互證體系構建需以數據互證為基礎，同時兼顧理論互證、方法互證和研究者互證。

（1）數據互證方面，智庫研究的數據資料要重視廣泛性、多元性，實施“自建數據+外源數據”模式。采用不同的數據對同一問題進行互證，能夠最大化研究結論的真實性和有效性。在此過程中，數據的差異體現在來源的不同，而非生成方法的不同。換句話說，可以通過改變獲取數據的時間、場景、對象等實現數據互證。對于智庫研究而言，積累大量數據資源、構建相應的數據支撐體系是實現數據互證的前提和基礎。

（2）理論互證方面，智庫研究的數據分析和解釋要以多樣化的理論為基礎，實現從多角度對研究結果進行詮釋與解構，用以克服智庫研究中的解釋偏見。以相似或相異理論為視角，進行模型建構與驗證分析，能夠從不同視角揭示數據特征或驗證分析結果的穩定性與一致性。特別是對于理論一致性較低的領域，采用理論互證能夠獲得更加穩健的結果。

（3）方法互證方面，量化與質性結合的混合式研究方法應該在智庫研究中被推崇。方法互證包括方法內互證和方法間互證；前者是同類型方法間的相互驗證，而后者則關注不同類型的方法對同一問題解析結果的差異。量化方法和質性方法的內在運行原理存在明顯差異，以這 2 類方法為基礎開展智庫研究方法互證，能夠有效提升研究結論的穩健性與可信度。

（4）研究者互證方面，智庫研究可以邀請更多的參與者，以便從多元視角把控全局，避免問題診斷“遺漏”。通過邀請不同的觀察者和訪談者參與同一研究，能夠最大限度地將研究者內部的偏見最小化，進而保證研究結論的普適性。

4 數據驅動環境下智庫建設思考與展望

圍繞數據驅動下智庫研究與建設需求，特別是對于話語邏輯及互證體系建設與優化目標，本文提出 5 點思考與展望。

（1）重視相關分析與因果分析融合，實現相關與因果互相補充。“因果革命”①各領域研究者更加關注研究對象之間的因果關聯，從因果而非單純的數據角度開展研究。正在席卷各個研究領域，對于智庫這種智囊式研究更需對問題的內在原因及其產生機制進行深入探究。為此，可采用“相關+因果”的模式開展多元互證，以把握事物發展的內在機理，促使智庫研究走向“真實世界”。

（2）注重技術理性與人文價值的融合。在新技術環境下，數據驅動的智庫研究呈現出明顯的技術屬性。如何超越這種現代追崇的“唯技術論”，將其與社會治理的問題和需求進行高度耦合，凸顯人文價值，是智庫研究與服務需要思考的一個關鍵問題。

（3）開展三元世界下的數據互證。隨著信息技術的發展，人類社會活動同時在物理空間、社會空間和信息空間（三元世界）中進行。由于數據流動的不斷增強與數據量的急劇增加，物理世界、人類社會和信息空間的交互頻率越發頻繁；為此，不同空間中的數據也可能存在同樣的研究焦點。在此基礎上開展三元世界下的數據互證，將有可能產生新的洞察結果，并為智庫研究提供新思路。

（4）聚焦重點科學問題的長知識鏈支撐。大數據時代，單一領域的知識通常難以應付復雜的科學與應用問題；為此，需要有意識地融合跨領域知識實現對智庫研究更有效地支撐。具體來說，如：推動工作坊機制，構建更長的知識鏈支撐；推動方法池建設，完善數據池或特色數據庫建設；開展系統規劃與設計，落實數據體系建設的責任目標制等。

（5）建構智庫工程化服務模式，打造智庫產品線。數據驅動的智庫研究應在多元互證體系下保障“投入—產出”的綜合平衡，通過打造協同服務平臺，建構集成化、協同化、系統化的工程化服務模式，以有效提升智庫研究的效率與效果。